Gopher vs GLM-130B

Descubra los avances de vanguardia en inteligencia artificial con la exploración de DeepMind de las capacidades de procesamiento del lenguaje en IA. En el centro de esta exploración se encuentra Gopher, un modelo de lenguaje de 280 mil millones de parámetros diseñado para comprender y generar texto similar al humano. El lenguaje sirve como núcleo de la inteligencia humana, permitiéndonos expresar pensamientos, crear recuerdos y fomentar la comprensión.

Al darse cuenta de su importancia, los equipos interdisciplinarios de DeepMind se han esforzado por impulsar el desarrollo de modelos de lenguaje como Gopher, equilibrando la innovación con consideraciones éticas y seguridad. Descubra cómo estos modelos de lenguaje están avanzando en la investigación de la IA al mejorar el rendimiento en tareas que van desde la comprensión lectora hasta la verificación de hechos, al tiempo que identifica limitaciones como los desafíos del razonamiento lógico. También se presta atención a los posibles riesgos éticos y sociales asociados con los grandes modelos lingüísticos, incluida la propagación de prejuicios y desinformación, y las medidas que se están tomando para mitigar estos riesgos.

GLM-130B ofrece un modelo de lenguaje bilingüe de 130 mil millones de parámetros en la pila de investigación abierta THUDM, construida alrededor de la receta de preentrenamiento General Language Model (GLM). Los pesos están dirigidos a texto en inglés y chino, y el repositorio de GitHub incluye código de inferencia, tareas de evaluación y puntos de control aceptados en ICLR 2023. Puedes ejecutar generación de izquierda a derecha o relleno en blanco con los tokens [MASK] y [gMASK] en hardware que quepa en un solo servidor multi-GPU en lugar de una API propietaria.

Mientras que la mayoría de los modelos de más de 100 mil millones permanecen cerrados, GLM-130B publica pesos del modelo, notas de entrenamiento y configuraciones YAML para más de 30 benchmarks. Su ruta de cuantización INT4 está ajustada para que cuatro tarjetas RTX 3090 (24GB) puedan alojar la inferencia con casi ninguna pérdida de precisión, un umbral mucho más bajo que la configuración de ocho A100 (40GB) usada para ejecuciones completas en FP16. El objetivo de entrenamiento mezcla relleno en blanco autorregresivo en el 95% de los tokens con datos de instrucciones multitarea de T0++ y DeepStruct, lo cual es una apuesta diferente al preentrenamiento causal estándar estilo GPT.

Los investigadores que estudian transferencia cero disparo bilingüe, cuantización de modelos grandes o benchmarks reproducibles de LLM obtendrán el máximo provecho de GLM-130B. El repositorio se enfoca en herramientas de evaluación e inferencia más que en un producto de chat alojado, aunque THUDM luego derivó el trabajo de diálogo en ChatGLM. Se espera que traigas tus propias GPUs, almacenamiento para un punto de control de 260GB y paciencia para el formulario de descarga de pesos.